随着科学技术的快速发展,大量高性能的传感器和各种先进的信息处理技术不断得到应用,使得深层次的传感器控制成为可能。同时,由于现代战争的迫切需求,以及多源信息融合系统日益增强的复杂性,各类目标跟踪系统都对传感器控制提出了更高的要求,与其相关的理论和方法均面临着更加严峻的挑战。因此,对于传感器控制策略的研究具有重大的理论价值和现实意义。基于随机有限集(Random finite set,RFS)的多目标跟踪方法因其可以避免传统多目标跟踪方法中的数据关联而被人们广泛关注。概率假设密度(Probability hypothesis density,PHD)滤波器是其中最具代表性的近似多目标滤波器。本文正是在基于RFS的理论体系下,对多目标跟踪中的传感器控制方法进行了深入研究,主要的研究内容如下:1)针对多目标跟踪中的传感器控制问题,在部分可观测马尔可夫决策过程(Partially observable Markov decision processes,POMDPs)的理论框架下,首先,基于RFS建模给出基于信息论的传感器控制的一般方法,其次,依据PHD滤波器和势概率假设密度(Cardinalized PHD,CPHD)滤波器的统计假设条件去推导柯西施瓦兹(Cauchy-Schwarz,CS)距离的表达式,研究利用CS距离作为传感器控制的评价函数,进而求取多目标滤波器递推过程中的信息增益。2)结合多目标跟踪问题给出序贯蒙特卡罗概率假设密度(Sequential Monte Carlo Probability hypothesis density,SMC-PHD)滤波器的实现形式,利用加权粒子去表征多目标的一阶统计矩,同时采用启发式方法选取传感器控制方案的集合,基于前述所推导的以多目标统计矩(PHD)表示的多目标CS距离,求解出传感器控制集合中不同决策方案信息增益的具体数值,继而以信息增益最大化为评价准则去决策最终的传感器控制方案。仿真结果表明,基于CS距离的传感器控制算法能够根据当前的滤波结果不断地调节传感器自身的位置,进而完成使得全局目标跟踪性能最优这一目标,所提控制方案的多目标跟踪效果要优于其他几种控制方案。3)研究了基于目标威胁度的传感器控制方法。对战场环境中影响目标威胁度的因素进行深入分析,利用战术重要性标绘(Tactical Significance Map,TSM)函数量化目标距离、航向、速度对目标威胁度的影响。同时利用TSM函数值确定不同时刻最大威胁度的目标,并以最大威胁度目标在递推滤波过程中的CS距离作为评价函数,以最大威胁目标的信息增量最大化为准则,实现基于目标威胁度的传感器控制。仿真实验验证了算法的有效性。